近年来信息化和智能化己成为视频监控领域的发展趋势。行人检测作为视频监控系统的重要组成部分,在智能交通、目标搜救、智能家居等方面有着广泛的应用前景。当前许多科研院所都在进行行人检测技术的研究并取得了一定的成果。然而行人所处环境复杂多变,姿态千差万别且存在着互相遮挡,行人检测还存在着识别率低、误检率高的问题,故行人检测还有进一步深入研究的必要。随机森林作为重要的统计学习算法在分类和回归问题上有非常优秀的表现,其对数据的噪声和异常值不敏感,有很高的准确率,并且不容易出现过拟合现象,故本文采用随机森林算法进行行人检测技术的研究。本文主要研究内容如下：首先,本文分别论述了机器学习行人检测算法的两个方面：行人特征和分类器。行人特征主要介绍了当前主要用于行人检测的Harr特征、LBP特征和HOG特征,分析了其如何刻画和描述图像中所含信息的机理。分类器主要介绍了经典的行人检测分类器算法SVM和Adaboost的构造和检测原理。然后,对随机森林算法进行了研究,并在其基础上作了改进。随机森林是由若干独立同分布的决策树构成,分类时采用投票方法。但每棵决策树的分类能力不同,为此本文对其做了改进,利用二次训练法调整分类器权重,使分类优的分类器权重增大,分类差的分类器权重减低。通过不同的数据集测试表明,改进后的随机森林和为改进前相比,在识别率和误检率方面都有一定的提高。最后,采用改进随机森林训练了行人检测分类器,并与改进前随机森林和其它的分类器作了对比。实际测试结果表明,改进的随机森林在行人检测方面比其它算法有一定提高,之后将其应用于图像和视频行人检测系统中,达到了预期的研究目的。